CropAndWeedAndLeaf

CropAndWeedAndLeaf是由奥地利理工学院和维也纳应用技术大学联合创建的植物叶片分割数据集，旨在解决精准农业中叶片级分析的不足。该数据集包含345个样本，覆盖23种植物物种，每个样本均经过半自动化标注流程生成高质量的叶片级掩码。数据来源于真实农田环境中的CropAndWeed图像，通过模型辅助预标注与专家人工修正相结合的方式创建。该数据集主要用于评估深度学习模型在跨物种叶片分割任务中的泛化能力，为精准农业中的植物健康监测、生长阶段评估等应用提供数据支持。

原始信息汇总

根据提供的README文件内容，目前该数据集详情页面仅包含以下信息：

数据集概述

• 名称：该页面涉及ReLeaf框架及其对应的CropAndWeedAndLeaf数据集。
• 当前状态：数据集详情页面标注为“Coming soon...”，表示数据集尚未正式发布，相关内容即将上线。

许可协议

• 该工作采用 Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License（CC BY-NC-SA 4.0）国际许可协议进行授权。

引用信息

若在研究中使用了ReLeaf框架或CropAndWeedAndLeaf数据集，请引用以下文献：

• 论文标题：ReLeaf: Benchmarking Leaf Segmentation across Domains and Species

• 会议：Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops

• 发表时间：2026年6月

• 作者：Robert Martinko, Daniel Steininger, Julia Simon, Andreas Trondl, Matthias Blaickner

• BibTeX引用格式：

  @InProceedings{Martinko_2026_CVPR, author = {Martinko, Robert and Steininger, Daniel and Simon, Julia and Trondl, Andreas and Blaickner, Matthias}, title = {ReLeaf: Benchmarking Leaf Segmentation across Domains and Species}, booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops}, month = {June}, year = {2026} }

注意事项

• 目前页面内容极简，未提供数据集的具体描述、样本数量、标注格式、任务类型等详细信息，后续发布后请以实际页面内容为准。

搜集汇总

数据集介绍

构建方式

在全球粮食需求攀升与气候压力加剧的背景下，精准农业亟需叶片级别的细粒度视觉分析。为此，研究团队基于CropAndWeed数据集，采用半自动标注策略构建了CropAndWeedAndLeaf基准数据集。首先从CropAndWeed中提取所有植物实例的图像块，并剔除尺寸不足128像素及样本数少于15的物种，最终筛选出23个植物物种共计8819个实例。为平衡标注成本与统计显著性，每物种随机选取15个样本，形成345张均匀分布的图像。标注流程结合模型辅助预标注与专家精修，利用初始模型生成叶片掩膜后，由人工在CVAT平台上修正低分辨率伪影、遗漏的小叶片及粘连叶片，确保边界的一致性。

特点

该数据集的核心特色在于其广泛的物种覆盖与跨领域泛化评估能力，涵盖23种作物与杂草的叶片实例分割标注，显著突破了现有数据集仅覆盖4个物种的局限性。通过系统性评估YOLO26、Detectron2及Transformer等架构的表现，揭示了一阶段检测器在实时农业应用中的效率优势。跨域实验表明，实验室模型在迁移到真实场景时平均mAP50-95骤降至17.7%，而多域融合策略可将其提升至83.9%，凸显了训练数据多样性对模型鲁棒性的关键作用。数据集还揭示了小叶片分割与遮挡情况下的挑战，为算法改进提供了明确方向。

使用方法

该数据集适用于评估和训练叶片实例分割模型，尤其是面向精准农业中的实时或近实时应用场景。用户可直接使用提供的345张带叶片级掩膜的图像块进行模型微调或基准测试，每张图像对应单一植物实例，便于解耦检测与分割任务。建议采用论文中优化后的YOLO26 Medium配置（输入尺寸768×768像素）作为基线，在性能与速度间取得平衡。数据与代码已开源至GitHub，支持PyCOCOTools评估协议。跨域泛化实验可通过结合LSC、Komatsuna、GrowliFlower及PhenoBench等数据集训练多域融合模型，以评估对未知物种的适应能力。

背景与挑战

背景概述

在全球粮食需求持续攀升与气候压力日益加剧的背景下，精准农业通过个体化植物干预策略为提升生产效率和资源利用效率提供了可行路径。叶片作为评估作物健康状态、生长动态、产量潜力及局部胁迫症状的关键形态指标，其精细分割成为自动化植物表型分析的核心任务之一。然而，现有公开数据集中具备叶片级实例分割标注的资源极为匮乏，且多局限于少数物种。为弥合这一数据鸿沟，奥地利理工研究所与维也纳应用技术大学的研究人员于2026年联合创建了CropAndWeedAndLeaf数据集。该数据集基于CropAndWeed数据集，通过半自动标注与专家精修相结合的方式，为23种植物物种提供了高质量叶片分割掩膜，共计345个样本。该数据集的提出不仅极大丰富了多物种叶片分割的基准资源，也为评估模型跨物种、跨域泛化能力提供了关键支撑，在推动叶片分割研究向更鲁棒、更通用的方向发展方面具有重要影响力。

当前挑战

叶片分割所面临的挑战首先体现在领域问题层面：与已广泛研究的植物级分类和检测不同，叶片级实例分割需应对叶片间高度重叠、形态各异、尺度微小以及环境光照、土壤背景等复杂因素的影响，导致现有通用模型（如基于MS COCO或ImageNet预训练的架构）在农业图像上性能显著下降。此外，跨物种和跨域泛化是更为棘手的难题——实验室条件下训练的模型在迁移至真实田间场景时，平均mAP50-95骤降至仅17.7%，揭示了结构化环境与非结构化场景之间巨大的域屏障。在数据集构建过程中，挑战同样突出：获取像素级精确的叶片标注耗时且成本高昂，尤其是当叶片重叠、缺失或被遮挡时，即便人类专家也难以精确定义实例边界；同时，为控制标注噪声与分布偏移，需对物种进行严格筛选（排除少于15个实例的物种），进一步增加了数据采集的难度。这些挑战共同凸显了构建大规模、多物种、多样化场景叶片分割数据集的迫切性与复杂性。

常用场景

经典使用场景

在精准农业与植物表型分析领域，叶片级别的实例分割是一项极具挑战且至关重要的任务，CropAndWeedAndLeaf数据集正是为此而生。其最经典的使用场景是作为跨物种与跨域叶片分割的基准测试平台。研究者利用该数据集评估不同深度学习架构（如YOLO26、Detectron2、RF-DETR）在叶片实例分割任务上的性能与效率权衡，尤其是在真实田间与受控实验室两种截然不同的领域之间进行泛化能力测试。通过提供23种作物与杂草物种的精细叶片掩码，该数据集为细粒度形态分析、植物健康评估以及生长动态监测提供了标准化评测基础。

解决学术问题

该数据集精准回应了学术界在叶片分割研究中面临的两大关键瓶颈：数据稀缺与跨域泛化能力不足。在此之前，公开的叶片实例分割数据集仅覆盖寥寥数个物种，且多集中于实验室环境，导致模型在真实田间场景下性能急剧下降。CropAndWeedAndLeaf通过半自动标注策略，从已有的CropAndWeed数据集中精选出23个物种，显著扩充了物种多样性。它使得研究者能够系统性地量化模型在不同物种、光照条件、背景噪声与拍摄设置下的表现退化程度，从而揭示出单一域训练模型的鲁棒性极限，并证实了多域融合训练在提升泛化能力上的核心作用。

衍生相关工作

伴随CropAndWeedAndLeaf的发布，衍生出多项具有重要影响的经典研究。其中最具代表性的是ReLeaf模型，该模型通过在四个现有叶片分割数据集上进行联合训练，实现了在多种物种与实验条件下的稳定分割性能，其mAP50-95达到83.9%，并在新基准上取得40.2%的泛化精度。此外，该数据集也被用于驱动YOLO26与Detectron2在叶片分割任务上的架构消融研究，揭示了单阶段检测器在实时性与精度间的优越平衡。相关工作还涉及叶片尺寸对分割精度的影响分析，验证了两阶段检测器在极小叶片上的细微优势，从而为后续的农业视觉系统硬件选型提供了明确指导。